继续请教问题:关于 Pytorch 的 Autograd

雷达

为预防老年痴呆，时不时学点新东东玩一玩。
6 O, ^7 L' E+ q; K9 |Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
' N: y1 `; V9 ]1 e! T( Vimport torch
import numpy as np
import matplotlib.pyplot as plt
5 R, A! M3 `3 {& Fimport random

" j* h: n% d- J8 F5 q. Qx = torch.tensor(np.arange(1,100,1))
y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

3 r+ `! p* q0 J$ w% j& _* Y' kw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
( Z# J7 `2 |5 vb = torch.tensor(0.,requires_grad=True)
: `- ~  V& X5 ]$ A& H
epochs = 100
! h' y; U% P  j* {+ b" w
8 \) _. \5 M& P2 Slosses = []
- A: g' t- N9 Y5 Gfor i in range(epochs):
: x: l9 B1 K0 B& o# e, @! C: j  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
5 V% K: k; o  t, m" g% @  k, O3 N' V
7 Q" g, ^" V! C: M, t* z& Z4 y* K$ K  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
; F/ x5 _: ]2 V& L8 {. e% M    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
" c2 i/ B" M0 {  A  w.grad.zero_()  
  b.grad.zero_()
4 D/ R9 D, L: }, a: l
print(w.item(),b.item()) #结果
! e; j. y# t, N% w9 B/ r
Output： 27.26387596130371  0.4974517822265625
3 x( Z! v- v( }) }4 z. G----------------------------------------------
最后的结果，w可以回到 w0 = 27 附近，b却回不去 b0=15。两处红字，损失函数是矢量计算后的均值，感觉 b 的回归表达有问题。
高手们帮看看是神马原因？
2 y) d3 X( v) Y7 K# ^6 S/ f! J

老福

没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
0 q% p' V6 y$ L/ |1 U: u-------
2 @/ L+ o  f# t不好意思，再看一遍，好像你在自算回归而不是用现成的工具直接出结果，上面的评论只有一点用，就是确认是不是算法有问题。
-------
1 y0 U- Z  ]) x算法诊断部分，建议把循环次数改为1000, 再看看loss是不是收敛。有点怀疑你循环次数不够，因为你起点是0, 步长很小。只是直观建议。

雷达

老福 发表于 2023-2-14 19:23
9 E( e( o3 [* [" t5 N没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
1 p" v4 ~; y' _我特意没有用现成的工具，就是想从最基本的地方深入理解一下。

老福

雷达 发表于 2023-2-14 21:52
7 a+ w* V. G3 b( P( y谢谢，算法应该没问题，就是最简单的线性回归。
& p8 N. W8 \" L& z% d6 c我特意没有用现成的工具，就是想从最基本的地方深入理解 ...

刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。

或者把b但的起点改为1试试。

雷达

+ z5 U, N1 B# u* ^

老福 发表于 2023-2-14 22:00
刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
/ t8 l) h* \8 c$ ]" Q5 Q% j
7 q6 y( A+ h# `: T  F( R6 }或者把b但的起点改为1试试。 ...

6 L( D0 M# @+ ?$ o你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
/ h8 j4 J' g( P+ Ey = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
w , b
( q, e! @" i8 |& W% R27.002620697021484 14.826167106628418
! Q! X9 n. \/ f' a9 x8 y* K" q9 m5 w
和 b 的起始位置无关，但 labeled data 用 y = (x*27+15+random.randint(-2,3)).reshape(-1) ，收敛就很慢。